基于Transformer的虹膜验证技术，结合注意力引导的分割算法和孪生学习（Siamese Learning）

《Scientific Reports》：Transformer-based iris verification with attention-guided segmentation and Siamese learning

　　

摘要

本研究提出了一个基于Transformer的虹膜验证框架，该框架将图像增强、注意力引导的分割和全局特征学习集成到一个统一的处理流程中。首先使用深度去噪自编码器来提高图像质量，然后通过注意力引导的U-Net实现精确的虹膜定位。利用Vision Transformer提取全局特征表示，从而能够建模虹膜纹理之间的长距离依赖关系，并通过对比学习进行优化以提高区分度。该框架在CASIA-IrisV3数据集上进行了评估，数据集包括Interval、Lamp和Twins三个子集，评估采用了主体无关的验证协议。实验结果表明，该方法的等错误率（EER）为2.34%，ROC曲线下面积（AUC）为0.987，真实接受率约为95%，误接受率为10?3。该方法在保持高效推理的同时，每次比较的平均延迟仅为12.6毫秒，验证准确率达到97.82%。这些结果表明，在近红外领域内，该方法在不同采集条件下都能保持稳定的性能，证明了将注意力引导的分割和基于Transformer的特征表示集成到虹膜验证中的有效性。